Agent 时代，我们真的需要操作系统吗？

在Agent技术席卷而来的今天，一个有点反直觉的问题浮出水面：我们真的还需要操作系统吗？一个名为MimiClaw的开源项目，用一个5美元级别的芯片给出了一个有点碘伏性的答案——或许，真的不需要。

先说说几个核心判断。所谓复杂的编排层，本质上就是一个for循环加上一个HTTP服务器。在Agent的世界里，操作系统所擅长的进程调度、文件系统、用户权限管理，突然就变得冗余了。甚至，你花钱买一堆屏幕来盯着Agent干活，跟你当初手动调试提示词，本质上是一回事。而选本地模型时，最关键的一个指标其实是它的编码能力，因为编码能力直接映射了调用工具的能力。

这一切，都来自与项目作者王子伯炎的一次深度对话。他本人就叫这名儿，奇绩F25的成员，从曼彻斯特大学的PhD项目辍学。他之前的研究方向是AI编译器for AIoT，核心课题是把模型压进嵌入式设备。而现在，模型都跑在云端了，他压的东西变成了那个调用模型的循环。

得先声明一下，这个时代没什么共识，我跟伯炎对很多事情的看法可能也不一样。但这些看起来有点偏激的思考，本身就值得被记录下来。

操作系统是给人用的

OpenClaw这个Agent框架可以跑在各种设备上，前提是装上一堆依赖。伯炎看完它的底层实现之后，发现真正在运转的核心逻辑其实非常简单：用户发一条消息，模型收到，思考，发现需要调用工具，执行调用，拿到结果，再思考，再调用。这就是一个标准的ReAct循环。

那么，这个流程还能不能继续简化？当然可以。实际上，它只需要一个for循环，再加上一个能发HTTP请求的网络模块，就足够了。至于操作系统在管什么？进程调度、文件系统、用户权限、图形界面……这些功能，说到底都是给人准备的。一旦把人从这个循环里抽走，操作系统就变得可有可无。

顺着这个逻辑，事情就变得非常直接：把这个for循环用C语言写死，编译成固件，然后直接烧进一块成本只有5美元的ESP32芯片里。插上USB供电，连上WiFi，通过Telegram发条消息就能让它跑起来。

这就是MimiClaw的由来。整个开发过程也就三天，等快递花了两天，设计那个红白机风格的GitHub banner花了大半天，真正写代码只用了半天。

问起当初的动机，他给出的回答倒也直白：诚恳地说，就是想羞辱一下那些在Linux开发板上重新跑一遍OpenClaw的人。市场上确实有个类似项目，用Go语言重写了OpenClaw，买了很多PR，现在有11万星标。但它的底层依然离不开Linux。OpenClaw本来就是在Linux上跑的，你换个性能更好的开发板再跑一遍，增量其实是零。但在5美元的芯片上把操作系统整个去掉，只留一个for循环照样运转，这才是真正意义上的增量。

这个思路，跟他博士阶段的研究一脉相承——如何把东西压进嵌入式设备。只不过四年前压的是CV模型，用的是AI编译器。而当时他感觉离人太远了，于是辍学。现在他不压模型了，因为模型在云端，芯片只需要能跑那个for循环、能存memory就行。

这让人想起米哈游立项《原神》时的决策逻辑：当时手机根本跑不了开放世界游戏，他们赌的是等游戏开发出来，硬件性能能追上来。他们赌对了。伯炎做MimiClaw的逻辑很像：现在它没有浏览器操控能力，看起来是个重大缺陷，但他赌的是，浏览器本身会消失。

你需要那么多屏幕，是因为AI不聪明

Mac版的mimi能操控浏览器，很多OpenClaw的能力也都是通过浏览器实现的，比如打开网页、填表单、抓数据。但MimiClaw没有浏览器。对此伯炎的理由也很干脆：以后可能就没有给人用的浏览器了。Agent在浏览器上点来点去，操作的其实是底层的文字。网页是给人类看的渲染层，Agent真正需要的是底下那层数据。给Agent套一个浏览器，本质上是因为很多服务还没有提供对Agent友好的接入方式。

这个想法立项的第二天，Cloudflare就发布了把网站直接转成Markdown的服务，Google也出了Web MCP。这些大厂的动作，本质上都是在把给人看的网页，翻译成给Agent直接读取的纯文本。浏览器这个中间层，正在被逐渐跳过。

OpenClaw的创始人Peter说过一个判断：80%的APP会死。伯炎在这个基础上又补了一步：不会死的APP，是那些自带传感器的。你房间的温度、身体的心率、周围的空气质量……这些物理世界的数据在互联网上根本搜不到。而ESP32天然就能接传感器，几毛钱一个的模块焊上去就能用。

说到这儿，得提一句自己的状况。过去一个月新买了两块显示器，一个49寸，一个57寸，后来又下单了一台85寸的8K电视。还订了两块163寸的LED屏准备贴满两面墙。为了放这些屏幕，专门租了邻居的房间，把他的家具全处理掉，刷白墙，摆设备。甚至还搞了一套全向麦克风拾音系统，对着某块屏幕说话，后面的计算模块能识别方向并执行任务——因为同时用超过5台电脑，键鼠切换器已经不够用了。对了，新买的桌子因为显示器太重，已经被压弯了。

听完这些，伯炎只回了一句：以后不需要屏幕。一开始没接住这话，因为确实需要同时跑多个Agent，要看状态、审核输出，犯错时得及时介入。现在的软件全都是按“一个人同一时间做一件事”来设计的。要同时管10个Agent，可能真的需要10块屏幕。

但伯炎的逻辑是：你需要看那么多东西，是因为Agent还不够好。仔细想想，在Agent出现之前，大家手动搭workflow，也是因为不放心自动化，怕某一步出错，所以设检查点、人工审核、画流程图。现在Agent来了，买屏幕、搭中控系统，本质上还是因为不放心。Workflow是软件层的“我不放心”，显示器就是硬件层的“我不放心”。从这个角度看，2026年的显示器，其实就相当于2024年的Coze。等Agent的benchmark从70分涨到95分的那天，这些屏幕可能全都会变成多余的。

伯炎设想的终局是一个拇指大的设备，语音下达指令，Agent在云端完成一切，完了告诉你一声就行。不需要屏幕，不需要确认。他的信心来自Anthropic CEO说过的一句话：不要优化模型现在做不到的事。模型能力会持续变强，产品应该面向未来设计。这个方向很难反驳——如果哪个老板天天站在秘书身后盯着他干活，那只能说明这个秘书还不够好。

乘100，或者零

在做MimiClaw之前，伯炎做过一个叫Memov的项目：给AI编程做版本控制。每次跟Claude Code对话，自动记录每一轮的prompt、plan、代码变化，完整保存上下文。这个产品跟GitHub前CEO辞职创业后做的产品功能一模一样。但复盘时他说，这个产品只做了乘3的提升，不够。以前做产品，比别人好20%就能多拿20%关注。现在产品太多，注意力太稀缺，带来的体验乘3已经是零，只有乘100才有人看见。

相比之下，他早期做的一个法语考试网站，针对加拿大移民的法语考试，竞品连数据库都没有——没有错题本，没有做题记录。加个数据库就是从0到1的体验差。结果1000多个用户中，300多人付费，付费率极高。而MimiClaw能传播开，原因也很简单：他把整个操作系统去掉了，跑在5美元的芯片上。

至于推广方式，相当简单粗暴。他有一个1000多粉丝的推特小号，每当有人问“怎么部署OpenClaw”的时候，他就在评论底下回一句“不要部署了，用MimiClaw”。就这么一个操作，给项目带来了数十万次曝光。那些从来没玩过ESP32的人，开始下单买面包板。

聊到最后，问了他一个终极问题：信不信AGI？他不信，或者说他不认为Transformer能在10年内达到那个水平。原因很简单：它只是知道得多，不代表它真的比你聪明。在他的认知里，风吹在脸上的感觉、房间里的湿度……这些东西怎么压成token？他读博时研究的就是怎么压模型，压了几年觉得离人太远，辍学。现在他不压模型了，压的是调用模型的那个for循环。

然后，这个循环就跑在了5美元的芯片上。就有了MimiClaw。